基于偏好的结局测量(图谱)研究的优先报告条目:MAPS声明

在卫生经济评价中，基于偏好的结局测量图谱作为获得健康效用值的一种方法，得到越来越多的应用[1]。图谱涉及到如何开发和使用一种或多种算法，并利用含有健康指标或健康测量数值（例如，健康效用值）来预测基于一般偏好的结局测量的主要健康效用。这个用于预测的源测量可能是一个健康结局的非偏好的指标或测量；或者特殊情况下，这个源测量是基于偏好的结局测量，但并不是当地卫生技术评估机构首选的。在缺少基于一般偏好的测量时，运用这些算法，可以将临床试验、观察性研究或者卫生经济学模型中取得的包含源测量的数据用于预测健康效用值。预测的健康效用值可以用个体水平数据的标准方法（例如在一个基于临床试验数据的经济评价）进行分析，或在决策模型中汇总每个健康状态的效用值。

临床医生不喜欢Cohen’s κ值是正确的

临床医生对观察者变异很感兴趣，他们很关注其他评估者（观察者之间）或自己（观察者内部）得到相同结果的概率。在医学文献当中常常采用Cohen’s κ值作为分类数据结果一致性的衡量指标。由于Cohen’s κ值是一个相对测量值，因此包含的信息量不充分。而要回答临床医生提出的有关观察者变异的问题需要一致性的绝对测量值。本文采用了一个例子，例子中采用观察到的一致性和κ值得出的结果不同。通过该例阐明了一致性的比例是一个绝对测量值（一致性的测量），Cohen’s κ值是一个相对测量值（可信度的测量）。那些对于临床医生重要的数据，应该采用一致性的测量方法。特定一致性的比值分别表达了阳性一致性和阴性一致性。这种测量方法是表达2×2列联表中相关信息的最适合的方法，也是给临床医生提供最全面信息的方法。

多重结局的多元Meta分析和多重治疗的网状Meta分析:原理、概念及实例

英国国家健康与临床优选研究所(NICE)等组织需要对现有研究获得的证据进行整合来指导决策,需要确定关于多重疗效及安全性结局的最佳治疗。但是,相关的研究不一定对所有关注的治疗或结局都进行了直接比较,多元Meta分析及网状Meta分析为如何确定最佳治疗这一问题提供了思路,该方法不仅考虑了直接证据,还利用了关联或间接的证据。本文中,研究者描述了这些方法学的重要概念及假设,并阐述关联及间接证据如何产生,同时通过图表说明这些证据在涉及多重结局和多重治疗的真实临床案例中如何使用。

统计学笔记:相对差异百分比、对称性和自然对数

对数变换具有非常实用的性质,因此在统计学中被广泛应用,但是即便是统计学家对其属性也知之甚少,而非统计学家则感觉其很不友好。对数变换两种常见形式为:以10为底的普通对数(lg)和以e作底的自然对数(ln)。以自然对数为例,解释如下:任意两个数字a、b,其对数差ln(a)-ln(b),实际上反映的是二者比值大小。在此结果上乘以100,100xln(a)-100xln(b),即为α、b基于对数变换的相对差异百分比。

统计学注释:什么是相对差异百分比?

我们用百分数表示差异对整体的占比。根据该定义可以列出直观算法1:相对差异百分比=100×(差异/对比数据)。例如:欲了解英国20岁成年人平均身高的相对差异百分比。已知男、女身高均数分别为177.3 cm,163.6 cm,两者绝对差异为13.7 cm,则女性比男性低100×(13.7/177.3)=7.7%,而男性比女性高100×(13.7/163.6)=8.4%,由于分母不同,导致两个相对差异百分比不同,而绝对差异本身是对称的——女性比男性低13.7 cm,男性比女性高13.7 cm。

诊断性试验的网状meta分析

当在证据体中相匹配的干预措施之间缺乏直接比较的头对头随机对照试验时,网状meta分析(network meta-analysis, NMA)能够借助间接比较进行多种干预措施之间的比较。类似地,诊断性试验的NMA是一种新的证据合并方法,能够在不同的诊断阈值下进行不同诊断试验间的准确性比较。